CN115063400B - 利用视觉手段的乐器生产缺陷检测方法 - Google Patents

利用视觉手段的乐器生产缺陷检测方法 Download PDF

Info

Publication number
CN115063400B
CN115063400B CN202210859624.3A CN202210859624A CN115063400B CN 115063400 B CN115063400 B CN 115063400B CN 202210859624 A CN202210859624 A CN 202210859624A CN 115063400 B CN115063400 B CN 115063400B
Authority
CN
China
Prior art keywords
gray
image
pixel points
defect
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210859624.3A
Other languages
English (en)
Other versions
CN115063400A (zh
Inventor
陈琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhongyi Yinmei Equipment Co ltd
Original Assignee
Shandong Zhongyi Yinmei Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Zhongyi Yinmei Equipment Co ltd filed Critical Shandong Zhongyi Yinmei Equipment Co ltd
Priority to CN202210859624.3A priority Critical patent/CN115063400B/zh
Publication of CN115063400A publication Critical patent/CN115063400A/zh
Application granted granted Critical
Publication of CN115063400B publication Critical patent/CN115063400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种利用视觉手段的乐器生产缺陷检测方法，包括：获取待检测吉他的面板灰度图；根据不同分块尺寸对面板灰度图进行等分，利用分块效果值最大时的分块尺寸获取最佳分块图像；对最佳分块图像进行筛选得到疑似存在缺陷的第一分块图像；设置不同分割阈值对第一分块图像中的像素点进行分割，利用不同分割阈值下第一分块图像中的疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，得到不同分割阈值下的缺陷分割效果值；利用缺陷分割效果值最大时的分割阈值确定出第一分块图像中的缺陷像素点，进而得到待检测吉他面板中的缺陷区域。上述方法用于乐器缺陷检测，可提高检测准确性。

Description

利用视觉手段的乐器生产缺陷检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种利用视觉手段的乐器生产缺陷检测方法。
背景技术
随着生活水平的不断提高，人们的文娱生活越来越丰富。吉他作为文娱生活中常见的乐器，也被越来越多的人喜爱。吉他各个部件的质量好坏直接影响吉他的质量。尤其是吉他的面板，因其所使用的材料面积大，存在缺陷的可能性高，所以对吉他面板的缺陷检测至关重要。
现有的吉他面板缺陷检测方法主要为基于像元的目标分割算法：基于像元的特征设定分割参数，对吉他面板进行分割，从而得到缺陷区域。
但是，现有目标分割算法的分割参数固定，分割效果不佳，容易出现目标误判。因此亟需一种方法用于提高吉他面板缺陷检测的准确度。
发明内容
本发明提供一种利用视觉手段的乐器生产缺陷检测方法，以解决现有的乐器生产缺陷检测方法准确度低的问题。
为达到上述目的，本发明采用如下技术方案，一种利用视觉手段的乐器生产缺陷检测方法，包括：
获取待检测吉他的面板灰度图；
根据不同分块尺寸对面板灰度图进行等分，利用面板灰度图中所有像素点的灰度值均值、每一种分块尺寸下分块图像的数量、每个分块图像中所有像素点的灰度值均值及该分块图像中所有像素点灰度值的方差，计算得到每一种分块尺寸下对面板灰度图的分块效果值；
将分块效果值最大时对应的分块尺寸作为最佳分块尺寸，利用最佳分块尺寸对面板灰度图进行等分，获取面板灰度图的最佳分块图像；
从所有最佳分块图像中筛选出所有像素点灰度值的方差较大的最佳分块图像，得到疑似存在缺陷的第一分块图像；
设置不同分割阈值对第一分块图像中的像素点进行分割，得到不同分割阈值下第一分块图像中的疑似缺陷像素点；
利用不同分割阈值下第一分块图像中的疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值；
将缺陷分割效果值最大时对应的分割阈值作为最佳分割阈值，利用最佳分割阈值对第一分块图像中的像素点进行分割，确定出每个第一分块图像中的缺陷像素点；
根据第一分块图像中的缺陷像素点得到待检测吉他面板中的缺陷区域。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述面板灰度图的最佳分块图像是按照如下方式获取：
设置初始分块尺寸，根据初始分块尺寸对面板灰度图进行第一次等分，获得所有初始分块图像；
计算面板灰度图中所有像素点的灰度值均值；
计算每个初始分块图像中所有像素点的灰度值均值及该初始分块图像中所有像素点灰度值的方差；
利用初始分块图像的数量、面板灰度图中所有像素点的灰度值均值、各初始分块图像中所有像素点的灰度值均值及该初始分块图像中所有像素点灰度值的方差，计算得到初始分块尺寸下对面板灰度图的分块效果值；
按照上述方式得到每一种分块尺寸下对面板灰度图的分块效果值，获取分块效果值最大时对应的分块尺寸，将该分块尺寸作为最佳分块尺寸；
根据最佳分块尺寸对面板灰度图进行等分，获取面板灰度图的最佳分块图像。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述不同分割阈值下第一分块图像中的疑似缺陷像素点是按照如下方式得到：
计算每一个最佳分块图像中所有像素点灰度值的方差；
将每一个最佳分块图像中所有像素点灰度值的方差按照从小到大的方式进行排序，得到方差序列；
设置方差阈值，筛选出方差序列中大于方差阈值的方差，将该方差对应的最佳分块图像作为疑似存在缺陷的第一分块图像；
对第一分块图像中每个像素点的灰度值进行判断：当像素点的灰度值大于面板灰度图中所有像素点的灰度值均值时，则该像素点为第一背景像素点；当像素点的灰度值小于等于面板灰度图中所有像素点的灰度值均值时，则该像素点为第一缺陷像素点；
设置不同分割阈值，根据不同分割阈值对第一分块图像中的像素点进行分割，得到不同分割阈值下第一分块图像中的疑似缺陷像素点和疑似背景像素点。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述根据不同分割阈值对第一分块图像中的像素点进行分割的过程如下：
选取第一分块图像中的任意像素点，计算该像素点与其邻域内各像素点的灰度值差值；
对像素点与其邻域内各像素点的灰度值差值进行判断：当像素点与其邻域内像素点的灰度值差值的绝对值小于分割阈值时，则将该像素点的邻域内像素点的类型划分为该像素点的类型，否则划分为其他类型，依次对该像素点的邻域内像素点的类型进行判断，得到第一分块图像中判断完类型的像素点和其余像素点；
按照上述方式对其余像素点的邻域内像素点的类型进行判断，直至第一分块图像中的所有像素点的类型被判断，完成对第一分块图像中的像素点的分割。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述不同分割阈值下的缺陷分割效果值是按照如下方式得到：
计算第一分块图像中所有疑似背景像素点的灰度值均值；
统计第一分块图像中疑似缺陷像素点的邻域内疑似缺陷像素点的个数；
利用疑似缺陷像素点所在的第一分块图像中所有像素点的灰度值方差和所有疑似背景像素点的灰度值均值、该疑似缺陷像素点的灰度值及其邻域内疑似缺陷像素点的个数，计算得到该疑似缺陷像素点被误判的可能性；
利用疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述待检测吉他面板中的缺陷区域是按照如下方式得到：
将缺陷分割效果值最大时对应的分割阈值作为最佳分割阈值，利用最佳分割阈值对第一分块图像中的像素点进行分割，得到每个第一分块图像中的缺陷像素点；
根据每个第一分块图像中的缺陷像素点获取所有缺陷连通域；
设置连通域大小阈值，对每个缺陷连通域进行判断：当缺陷连通域的大小大于阈值时，则该缺陷连通域为待检测吉他面板中的缺陷区域。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述待检测吉他的面板灰度图是按照如下方式获取：
获取吉他面板灰度图；
利用吉他面板灰度图中所有像素点灰度值的方差、每个像素点的邻域灰度值均值中的最大值和最小值的差值，计算得到吉他面板灰度图的疑似缺陷程度；
利用吉他面板灰度图的疑似缺陷程度判断吉他面板是否存在缺陷，获取待检测吉他的面板灰度图。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述吉他面板灰度图是按照如下方式获取：
采集吉他面板图像；
对吉他面板图像进行语义分割，获得吉他面板区域图像；
对吉他面板区域图像进行灰度化处理，获取吉他面板灰度图。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述吉他面板灰度图的疑似缺陷程度是按照如下方式得到：
设置邻域大小，计算吉他面板灰度图中每个像素点的邻域大小范围内所有像素点的灰度值均值，得到每个像素点对应的邻域灰度值均值；
获取所有像素点对应的邻域灰度值均值中的最大值和最小值；
计算吉他面板灰度图中所有像素点灰度值的方差；
利用吉他面板灰度图中所有像素点灰度值的方差、每个像素点的邻域灰度值均值中的最大值和最小值的差值，计算得到吉他面板灰度图的疑似缺陷程度。
所述一种利用视觉手段的乐器生产缺陷检测方法，所述利用吉他面板灰度图的疑似缺陷程度判断吉他面板是否存在缺陷的过程具体如下：
设置疑似缺陷程度阈值，对吉他面板灰度图的疑似缺陷程度进行判断：当吉他面板灰度图的疑似缺陷程度小于等于疑似缺陷程度阈值时，判断该灰度图不存在缺陷；当吉他面板灰度图的疑似缺陷程度大于疑似缺陷程度阈值时，将该灰度图作为待检测吉他的面板灰度图。
本发明的有益效果是：本发明首先利用缺陷的特点，初步筛选出疑似存在缺陷的面板，从而减少不必要的计算分析，提高检测的速率。然后根据图像分块的效果，确定最佳的分块大小，使得分割效果更佳；最后利用目标分割容易出现误判的特点，构建分割效果表达式，通过改变分割参数获得最佳的分割效果，实现缺陷区域像素点更准确的分割，获得更准确的缺陷区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种利用视觉手段的乐器生产缺陷检测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
在吉他的生产过程中，面板的质量直接影响吉他的质量，所以需要对面板进行缺陷检测。本实施例中利用像素点的搜索分割缺陷像素点，同时通过改变分割参数，获得最佳的分割效果，从而获得准确的缺陷像素点，实现更准确的吉他面板缺陷检测。
本发明的一种利用视觉手段的乐器生产缺陷检测方法的实施例，如图1所示，包括：
S101、获取待检测吉他的面板灰度图。
在吉他面板的检测平台上方安装相机，开始检测时开启相机，拍摄吉他面板的图像，为方便后续的处理，需要对图像进行预处理。
首先根据语义分割获得面板区域图像，然后对面板区域图像进行灰度化，后续计算均基于所获得的面板区域灰度图。
需要说明的是：对于面板区域灰度图中缺陷区域的识别，首先需要识别出缺陷像素点，在本实施例中利用像素点的搜索进行缺陷像素点的分割，同时针对分割误判的情况，构建分割效果表达式；因为像素分割参数直接影响分割效果，所以在改变参数的情况下，获得最佳的分割效果，从而获得最准确的缺陷像素点。
需要说明的是：对于大量的吉他面板检测，在获取的大量吉他面板灰度图中，首先进行初步的判断，获得可能存在缺陷的吉他面板灰度图，对可能存在缺陷的吉他面板灰度图进一步分析，从而减少不必要的计算分析，提高检测的速率。
对于吉他面板中的缺陷，主要表现为表面的裂缝和孔洞，所以缺陷像素点的灰度值较低，同时在吉他面板灰度图中的特征表现为像素点灰度值的差异性以及差异像素点的聚集性，所以根据像素点的特点，首先构建特征量表示吉他面板灰度图的疑似缺陷程度。
吉他面板灰度图的疑似缺陷程度构建过程如下：
1.设置邻域大小，计算吉他面板灰度图中每个像素点的邻域大小范围内所有像素点的灰度值均值，得到每个像素点对应的邻域灰度值均值。
2.获取所有像素点对应的邻域灰度值均值中的最大值和最小值。
3.计算吉他面板灰度图中所有像素点灰度值的方差。
4.计算得到吉他面板灰度图的疑似缺陷程度：
Figure 648411DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示吉他面板灰度图中第
Figure 371779DEST_PATH_IMAGE004
个像素点
Figure DEST_PATH_IMAGE005
邻域内的第
Figure 814393DEST_PATH_IMAGE006
个像素点的灰度值，
Figure DEST_PATH_IMAGE007
表示
Figure 627497DEST_PATH_IMAGE005
邻域内像素点的数量，
Figure 483457DEST_PATH_IMAGE007
根据实际经验给定，
Figure 273165DEST_PATH_IMAGE008
表示第
Figure 632603DEST_PATH_IMAGE004
个像素点的
Figure 898499DEST_PATH_IMAGE005
邻域内像 素点的灰度值的均值，即一个区域的灰度值均值，吉他面板灰度图中的
Figure 694285DEST_PATH_IMAGE008
之间差异 越大，表示吉他面板灰度图中越有可能存在缺陷，
Figure DEST_PATH_IMAGE009
表示吉 他面板灰度图中区域灰度值均值的最大差异，其值越大，表示吉他面板灰度图中越有可能 存在缺陷。
Figure 71040DEST_PATH_IMAGE010
表示吉他面板灰度图中所有像素点灰度值的方差，反映吉他面板灰度图中像 素点灰度值的差异性，
Figure 550563DEST_PATH_IMAGE010
越大，像素点灰度值差异性越大，吉他面板灰度图中越有可能存 在缺陷。
Figure DEST_PATH_IMAGE011
表示吉他面板灰度图的疑似缺陷程度，
Figure 206935DEST_PATH_IMAGE011
越大，疑似程度越大。
对于吉他面板灰度图的疑似缺陷程度，根据实际经验设置阈值
Figure 975170DEST_PATH_IMAGE012
，当
Figure DEST_PATH_IMAGE013
，表示 吉他面板灰度图可能存在缺陷，需要进一步分析以确定缺陷的存在。至此，获得待检测吉他 的面板灰度图。
S102、根据不同分块尺寸对面板灰度图进行等分，利用面板灰度图中所有像素点的灰度值均值、每一种分块尺寸下分块图像的数量、每个分块图像中所有像素点的灰度值均值及该分块图像中所有像素点灰度值的方差，计算得到每一种分块尺寸下对面板灰度图的分块效果值。
需要说明的是：根据像素点搜索的目标分割方法，需要保证所有分块图像中不存在全为缺陷的分块图像，因为像素点搜索主要根据像素点之间的差异，如果分块图像中全为缺陷，则像素点之间的差异较小，无法搜索获得目标缺陷像素点。所以对于不同的分割对象，需要确定图像分块的大小。
首先对待检测吉他的面板灰度图进行等分，得到所有分块图像，具体如下：
1.根据实际经验设置初始分块尺寸，根据初始分块尺寸对面板灰度图进行第一次等分，获得所有初始分块图像。
2.计算面板灰度图中所有像素点的灰度值均值。
3.计算每个初始分块图像中所有像素点的灰度值均值及该初始分块图像中所有像素点灰度值的方差。
4.构建分块效果表达式：
Figure DEST_PATH_IMAGE015
其中，
Figure 342567DEST_PATH_IMAGE016
表示第
Figure DEST_PATH_IMAGE017
次改变分块尺寸时的分块效果值。
Figure 899100DEST_PATH_IMAGE018
表示第
Figure 506799DEST_PATH_IMAGE017
次改变分块尺寸时 的分块图像数量，
Figure DEST_PATH_IMAGE019
表示面板灰度图中所有像素点的灰度值均值，
Figure 27910DEST_PATH_IMAGE020
表示第
Figure 995735DEST_PATH_IMAGE017
次改变分块尺 寸时，第
Figure DEST_PATH_IMAGE021
个分块图像中所有像素点的灰度值均值，
Figure 184271DEST_PATH_IMAGE022
反映第
Figure 962871DEST_PATH_IMAGE021
个分块图像中所有像素 点灰度值的均值与面板灰度图中所有像素点的灰度值均值的差值，
Figure 253169DEST_PATH_IMAGE022
越大，反映第
Figure 775417DEST_PATH_IMAGE021
个分块图像内存在缺陷的可能性越大。为保证所有分块图像中不存在全为缺陷的分块图 像，需要使得存在缺陷的分块图像中像素点的灰度值差异较大，即分块图像的方差较大，而
Figure DEST_PATH_IMAGE023
表示第
Figure 552880DEST_PATH_IMAGE021
个分块图像中所有像素点灰度值的方差，即以
Figure 954912DEST_PATH_IMAGE024
为权值，计算各分块图像 的差异性总和，进而计算分块效果值。通过改变分块尺寸的大小，获得不同分块尺寸下的分 块效果值
Figure 716194DEST_PATH_IMAGE016
，
Figure 42133DEST_PATH_IMAGE016
值越大，分块效果越好。
5.按照上述方式得到不同分块尺寸下的分块效果值。
S103、将分块效果值最大时对应的分块尺寸作为最佳分块尺寸，利用最佳分块尺寸对面板灰度图进行等分，获取面板灰度图的最佳分块图像。
获取分块效果值最大时对应的分块尺寸，将该分块尺寸作为最佳分块尺寸。
获得
Figure 953064DEST_PATH_IMAGE016
的最大值，此时对应的分块尺寸最佳，即获得待检测吉他的面板灰度图的 最佳分块图像。
S104、从所有最佳分块图像中筛选出所有像素点灰度值的方差较大的最佳分块图像，得到疑似存在缺陷的第一分块图像。
针对所获得的最佳分块图像，计算每一个最佳分块图像中所有像素点灰度值的方 差，分别表示为
Figure DEST_PATH_IMAGE025
，方差的大小反映了该最佳分块图像内所有像素点灰度值的差异，即最 佳分块图像的方差越大，其灰度值差异越大，即该最佳分块图像内更有可能存在缺陷。因为 对于吉他面板，其表面的缺陷一般都是比较细小的，所以缺陷区域在图像中的占比也是较 小的，此时可以判断多数最佳分块图像中不包含缺陷。
将每一个最佳分块图像中所有像素点灰度值的方差按照从小到大的顺序进行排 列，得到方差序列
Figure 807888DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE027
表示方差的排列序号，然后设置阈值，将方差序列
Figure 40155DEST_PATH_IMAGE026
中小于等于阈值的方差对应的最佳分块图像去掉，剩下的即为疑似存在缺陷的第一分块图 像。
S105、设置不同分割阈值对第一分块图像中的像素点进行分割，得到不同分割阈值下第一分块图像中的疑似缺陷像素点。
需要说明的是：去除较小方差的最佳分块图像后，第一分块图像的方差序列表示 为
Figure 904206DEST_PATH_IMAGE028
，此时
Figure 921840DEST_PATH_IMAGE028
对应的第一分块图像中，一部分图像包含缺陷，同时也有一部分是 背景区域的图像。所以在
Figure 478723DEST_PATH_IMAGE028
对应的第一分块图像中进行分析，进一步确定缺陷区域。
在所有第一分块图像中分别判断每一个像素点的灰度值与
Figure DEST_PATH_IMAGE029
的关系，又因为缺陷 主要为裂缝以及孔洞，同时缺陷像素点的灰度值较低，所以判断第
Figure 434172DEST_PATH_IMAGE030
个第一分块图像中的 第
Figure DEST_PATH_IMAGE031
个像素点的灰度值
Figure 23285DEST_PATH_IMAGE032
，记该像素点为第一背景像素点，否则记为第一缺陷像素 点，即第一目标像素点。
根据缺陷像素点与背景像素点的灰度值的差异性，即当两像素点的灰度值的差异在一定范围时，表示他们属于同一类型的像素点，当两像素点的灰度值的差异超过一定的范围时，表示他们为不同类型的像素点。此时根据两像素点的灰度值的差异判断是否属于同一类型的像素点，判断关系如下：
Figure 895426DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE035
表示第
Figure 92053DEST_PATH_IMAGE030
个第一分块图像中的第
Figure 57167DEST_PATH_IMAGE031
个像素点的灰度值，
Figure 528600DEST_PATH_IMAGE036
表示第
Figure 520826DEST_PATH_IMAGE030
个 第一分块图像中的第
Figure DEST_PATH_IMAGE037
个像素点的灰度值，
Figure 137621DEST_PATH_IMAGE038
表示用于控制两像素点的灰度值差值的 参数，
Figure 582509DEST_PATH_IMAGE038
越大，不同类型像素点的判断尺度越大，判断条件不明显，导致一些像素点的误判；
Figure 592053DEST_PATH_IMAGE038
越小，不同类型像素点的判断尺度越小，可能造成一些像素点无法归类，同时会增大计算 量。所以对于参数
Figure 704366DEST_PATH_IMAGE038
的选择，直接影响像素点的归类准确性以及计算量的大小。根据现有的 研究结果，一般
Figure 462369DEST_PATH_IMAGE038
的取值在
Figure DEST_PATH_IMAGE039
时，分割效果最佳，但是，对于不同的分割目标，需要进 一步确定参数
Figure 128973DEST_PATH_IMAGE038
的值，即确定不同的分割阈值。
利用上述判断关系对第一分块图像中的像素点进行分割的过程如下：
选取第一分块图像中的任意像素点，计算该像素点与其8邻域内各像素点的灰度值差值；
对像素点与其8邻域内各像素点的灰度值差值进行判断：当像素点与其8邻域内像素点的灰度值差值的绝对值小于两像素点的灰度值差值的阈值时，则将该像素点的8邻域内像素点的类型划分为该像素点的类型，否则划分为其他类型，依次对该像素点的8邻域内像素点的类型进行判断，得到第一分块图像中判断完类型的像素点和其余像素点；
按照上述方式对其余像素点的8邻域内像素点的类型进行判断，直至第一分块图像中的所有像素点的类型被判断，完成对第一分块图像中的像素点的分割。
至此，得到不同分割阈值下第一分块图像中的疑似缺陷像素点和疑似背景像素点。
S106、利用不同分割阈值下第一分块图像中的疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值。
需要说明的是：每一个第一分块图像中的像素点被分割为疑似缺陷像素点与疑似 背景像素点，但是实际过程中，会有部分像素点存在误判的情况，即疑似背景像素点误判为 疑似缺陷像素点。此时误判像素点的数量反映疑似缺陷像素点的分割效果，所以可以选择 不同的参数
Figure 191476DEST_PATH_IMAGE038
，即不同分割阈值，反映不同的目标分割效果，此时根据所分割像素点的特 点，判断可能存在误判的像素点。
像素点被误判的可能性的获取过程如下：
1.计算第一分块图像中所有疑似背景像素点的灰度值均值。
2.统计第一分块图像中疑似缺陷像素点的8邻域内疑似缺陷像素点的个数。
3. 对于疑似缺陷像素点，一般都是聚集存在，在图像中表现为连通域，即疑似缺 陷连通域；同时疑似缺陷像素点与疑似背景像素点的差异越大，对其误判的可能性越小，所 以对于所有疑似缺陷像素点进行误判可能性的计算，已知疑似缺陷像素点的灰度值表示为
Figure 158295DEST_PATH_IMAGE040
，则对其误判的可能性表示为：
Figure 133204DEST_PATH_IMAGE042
其中
Figure DEST_PATH_IMAGE043
表示疑似缺陷像素点所在的第
Figure 34908DEST_PATH_IMAGE044
个第一分块图像中所有像素点灰度值的 方差，
Figure 386255DEST_PATH_IMAGE043
越大，该第一分块图像中的像素点属于缺陷像素点的可能性越高，所以对其进行 误判的可能性越低，即
Figure DEST_PATH_IMAGE045
越大，疑似缺陷像素点被误判的可能性越大；
Figure 128952DEST_PATH_IMAGE046
表示该疑似缺 陷像素点所在的第
Figure 540341DEST_PATH_IMAGE044
个第一分块图像中的所有疑似背景像素点的灰度值均值，
Figure DEST_PATH_IMAGE047
表示疑似缺陷像素点与该疑似缺陷像素点所在的第一分块图像中的疑似背 景像素点的差异，差异越大，误判的可能性越小。
Figure 915959DEST_PATH_IMAGE048
表示疑似缺陷像素点的8邻域内疑似缺 陷像素点的个数，
Figure 821729DEST_PATH_IMAGE048
越大，疑似缺陷像素点为孤立像素点的可能性越小，疑似缺陷像素点被 误判的可能性越小。
Figure DEST_PATH_IMAGE049
表示疑似缺陷像素点被误判的可能性，疑似缺陷像素点被误判可 能性越低，反映分割效果越好。
4.利用疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值。
计算不同分割阈值下所有疑似缺陷像素点被误判的可能性，从而反映不同分割阈值下的分割效果值，则不同分割阈值下缺陷分割效果值的表达式为：
Figure 231982DEST_PATH_IMAGE050
其中
Figure 548694DEST_PATH_IMAGE049
表示第
Figure DEST_PATH_IMAGE051
个第一分块图像中第
Figure 660875DEST_PATH_IMAGE052
个疑似缺陷像素点被误判的可能性，
Figure DEST_PATH_IMAGE053
表示第
Figure 822866DEST_PATH_IMAGE051
个第一分块图像中疑似缺陷像素点的个数，
Figure 575709DEST_PATH_IMAGE054
表示存在疑似缺陷像素点的第一 分块图像的数量，
Figure DEST_PATH_IMAGE055
表示所分割的疑似缺陷像素点的总数，
Figure 797742DEST_PATH_IMAGE056
表示不同分割阈值下 的缺陷分割效果值，图像中所分割的疑似缺陷像素点的误判可能性越低，表示当前分割阈 值对应的分割效果越好，即
Figure 928378DEST_PATH_IMAGE056
的值越大。
S107、将缺陷分割效果值最大时对应的分割阈值作为最佳分割阈值，利用最佳分割阈值对第一分块图像中的像素点进行分割，确定出每个第一分块图像中的缺陷像素点。
对于缺陷像素点的分割，不同的分割阈值反映不同的分割效果，由上述步骤获得 不同分割阈值对应的分割效果值
Figure 159640DEST_PATH_IMAGE056
，
Figure 75643DEST_PATH_IMAGE056
最大即对应最佳的分割效果值。
所以为获得最佳的分割效果值，需要通过改变参数
Figure 999737DEST_PATH_IMAGE038
的值，获得
Figure 119134DEST_PATH_IMAGE056
的最大值，此时 对应的缺陷像素点的分割最准确。所以在最佳的分割效果值下，获得每一个第一分块图像 中的缺陷像素点，即获得整个图像中的缺陷像素点，再根据所获得的缺陷像素点以及缺陷 的特点，判断图像中的缺陷区域。
S108、根据第一分块图像中的缺陷像素点得到待检测吉他面板中的缺陷区域。
根据上述步骤，分割出缺陷像素点。此时，根据所分割的缺陷像素点的分布特点，进一步确定出图像中的缺陷区域。
对于吉他面板的缺陷，主要为裂缝缺陷和孔洞缺陷，所以缺陷区域都具有大小尺 寸，此时根据所分割的缺陷像素点的连通域大小判断属于缺陷的连通域，在整个图像中的 所有连通域分别表示为
Figure DEST_PATH_IMAGE057
，其大小分别表示为
Figure 826190DEST_PATH_IMAGE058
，则根据实际经验设置阈值
Figure DEST_PATH_IMAGE059
，
Figure 49229DEST_PATH_IMAGE060
表 示对应连通域为缺陷区域。至此，获得图像中的所有缺陷区域。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，包括：
获取待检测吉他的面板灰度图；
根据不同分块尺寸对面板灰度图进行等分，利用面板灰度图中所有像素点的灰度值均值、每一种分块尺寸下分块图像的数量、每个分块图像中所有像素点的灰度值均值及该分块图像中所有像素点灰度值的方差，计算得到每一种分块尺寸下对面板灰度图的分块效果值；所述每一种分块尺寸下对面板灰度图的分块效果值的表达式如下：
Figure 3902DEST_PATH_IMAGE001
式中，
Figure 740914DEST_PATH_IMAGE002
表示第
Figure 61037DEST_PATH_IMAGE003
次改变分块尺寸时的分块效果值，
Figure 959723DEST_PATH_IMAGE004
表示第
Figure 201348DEST_PATH_IMAGE003
次改变分块尺寸时的分 块图像数量，
Figure 414155DEST_PATH_IMAGE005
表示面板灰度图中所有像素点的灰度值均值，
Figure 526468DEST_PATH_IMAGE006
表示第
Figure 127213DEST_PATH_IMAGE003
次改变分块尺寸 时，第
Figure 387293DEST_PATH_IMAGE007
个分块图像中所有像素点的灰度值均值，
Figure 466108DEST_PATH_IMAGE008
表示第
Figure 964085DEST_PATH_IMAGE007
个分块图像中所有像素点灰度 值的方差；
将分块效果值最大时对应的分块尺寸作为最佳分块尺寸，利用最佳分块尺寸对面板灰度图进行等分，获取面板灰度图的最佳分块图像；
从所有最佳分块图像中筛选出所有像素点灰度值的方差大于方差阈值的最佳分块图像，得到疑似存在缺陷的第一分块图像；
设置不同分割阈值对第一分块图像中的像素点进行分割，得到不同分割阈值下第一分块图像中的疑似缺陷像素点；
利用不同分割阈值下第一分块图像中的疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值；所述不同分割阈值下的缺陷分割效果值的表达式如下：
Figure 142257DEST_PATH_IMAGE009
式中，
Figure 92895DEST_PATH_IMAGE010
表示第
Figure 975400DEST_PATH_IMAGE011
个第一分块图像中第
Figure 124622DEST_PATH_IMAGE012
个疑似缺陷像素点被误判的可能性，
Figure 536012DEST_PATH_IMAGE013
表 示第
Figure 646050DEST_PATH_IMAGE011
个第一分块图像中疑似缺陷像素点的个数，
Figure 332247DEST_PATH_IMAGE014
表示存在疑似缺陷像素点的第一分块 图像的数量，
Figure 273658DEST_PATH_IMAGE015
表示所分割的疑似缺陷像素点的总数，
Figure 183845DEST_PATH_IMAGE016
表示不同分割阈值下的缺 陷分割效果值；
将缺陷分割效果值最大时对应的分割阈值作为最佳分割阈值，利用最佳分割阈值对第一分块图像中的像素点进行分割，确定出每个第一分块图像中的缺陷像素点；
根据第一分块图像中的缺陷像素点得到待检测吉他面板中的缺陷区域。
2.根据权利要求1所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述面板灰度图的最佳分块图像是按照如下方式获取：
设置初始分块尺寸，根据初始分块尺寸对面板灰度图进行第一次等分，获得所有初始分块图像；
计算面板灰度图中所有像素点的灰度值均值；
计算每个初始分块图像中所有像素点的灰度值均值及该初始分块图像中所有像素点灰度值的方差；
利用初始分块图像的数量、面板灰度图中所有像素点的灰度值均值、各初始分块图像中所有像素点的灰度值均值及该初始分块图像中所有像素点灰度值的方差，计算得到初始分块尺寸下对面板灰度图的分块效果值；
按照上述方式得到每一种分块尺寸下对面板灰度图的分块效果值，获取分块效果值最大时对应的分块尺寸，将该分块尺寸作为最佳分块尺寸；
根据最佳分块尺寸对面板灰度图进行等分，获取面板灰度图的最佳分块图像。
3.根据权利要求1所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述不同分割阈值下第一分块图像中的疑似缺陷像素点是按照如下方式得到：
计算每一个最佳分块图像中所有像素点灰度值的方差；
将每一个最佳分块图像中所有像素点灰度值的方差按照从小到大的方式进行排序，得到方差序列；
设置方差阈值，筛选出方差序列中大于方差阈值的方差，将该方差对应的最佳分块图像作为疑似存在缺陷的第一分块图像；
对第一分块图像中每个像素点的灰度值进行判断：当像素点的灰度值大于面板灰度图中所有像素点的灰度值均值时，则该像素点为第一背景像素点；当像素点的灰度值小于等于面板灰度图中所有像素点的灰度值均值时，则该像素点为第一缺陷像素点；
设置不同分割阈值，根据不同分割阈值对第一分块图像中的像素点进行分割，得到不同分割阈值下第一分块图像中的疑似缺陷像素点和疑似背景像素点。
4.根据权利要求3所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述根据不同分割阈值对第一分块图像中的像素点进行分割的过程如下：
选取第一分块图像中的任意像素点，计算该像素点与其邻域内各像素点的灰度值差值；
对像素点与其邻域内各像素点的灰度值差值进行判断：当像素点与其邻域内像素点的灰度值差值的绝对值小于分割阈值时，则将该像素点的邻域内像素点的类型划分为该像素点的类型，否则划分为其他类型，依次对该像素点的邻域内像素点的类型进行判断，得到第一分块图像中判断完类型的像素点和其余像素点；
按照上述方式对其余像素点的邻域内像素点的类型进行判断，直至第一分块图像中的所有像素点的类型被判断，完成对第一分块图像中的像素点的分割。
5.根据权利要求1或3所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述不同分割阈值下的缺陷分割效果值是按照如下方式得到：
计算第一分块图像中所有疑似背景像素点的灰度值均值；
统计第一分块图像中疑似缺陷像素点的邻域内疑似缺陷像素点的个数；
利用疑似缺陷像素点所在的第一分块图像中所有像素点的灰度值方差和所有疑似背景像素点的灰度值均值、该疑似缺陷像素点的灰度值及其邻域内疑似缺陷像素点的个数，计算得到该疑似缺陷像素点被误判的可能性；所述疑似缺陷像素点被误判的可能性的表达式如下：
Figure 109076DEST_PATH_IMAGE017
式中，
Figure 67804DEST_PATH_IMAGE018
表示疑似缺陷像素点所在的第
Figure 565520DEST_PATH_IMAGE019
个第一分块图像中所有像素点灰度值的方 差，
Figure 584291DEST_PATH_IMAGE020
表示该疑似缺陷像素点所在的第
Figure 731239DEST_PATH_IMAGE019
个第一分块图像中的所有疑似背景像素点的 灰度值均值，
Figure 555975DEST_PATH_IMAGE021
表示疑似缺陷像素点的8邻域内疑似缺陷像素点的个数，
Figure 471979DEST_PATH_IMAGE022
疑似缺陷 像素点的灰度值，
Figure 927231DEST_PATH_IMAGE010
表示疑似缺陷像素点被误判的可能性；
利用疑似缺陷像素点被误判的可能性和所有第一分块图像中疑似缺陷像素点的数量，计算得到不同分割阈值下的缺陷分割效果值。
6.根据权利要求1所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述待检测吉他面板中的缺陷区域是按照如下方式得到：
将缺陷分割效果值最大时对应的分割阈值作为最佳分割阈值，利用最佳分割阈值对第一分块图像中的像素点进行分割，得到每个第一分块图像中的缺陷像素点；
根据每个第一分块图像中的缺陷像素点获取所有缺陷连通域；
设置连通域大小阈值，对每个缺陷连通域进行判断：当缺陷连通域的大小大于阈值时，则该缺陷连通域为待检测吉他面板中的缺陷区域。
7.根据权利要求1所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述待检测吉他的面板灰度图是按照如下方式获取：
获取吉他面板灰度图；
Figure 499157DEST_PATH_IMAGE023
利用吉他面板灰度图中所有像素点灰度值的方差、每个像素点的邻域灰度值均值中的最大值和最小值的差值，计算得到吉他面板灰度图的疑似缺陷程度；所述吉他面板灰度图的疑似缺陷程度的表达式如下：
Figure 799689DEST_PATH_IMAGE024
式中，
Figure 632516DEST_PATH_IMAGE025
表示吉他面板灰度图的疑似缺陷程度，
Figure 258669DEST_PATH_IMAGE026
表示吉他面板灰度图中所有像素点灰 度值的方差，
Figure 114630DEST_PATH_IMAGE027
表示吉他面板灰度图中第
Figure 156535DEST_PATH_IMAGE028
个像素点
Figure 312710DEST_PATH_IMAGE029
邻域内的第
Figure 844185DEST_PATH_IMAGE030
个像素点的灰度值，
Figure 249759DEST_PATH_IMAGE031
表 示
Figure 892093DEST_PATH_IMAGE029
邻域内像素点的数量；
利用吉他面板灰度图的疑似缺陷程度判断吉他面板是否存在缺陷，获取待检测吉他的面板灰度图。
8.根据权利要求7所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述吉他面板灰度图是按照如下方式获取：
采集吉他面板图像；
对吉他面板图像进行语义分割，获得吉他面板区域图像；
对吉他面板区域图像进行灰度化处理，获取吉他面板灰度图。
9.根据权利要求7所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述吉他面板灰度图的疑似缺陷程度是按照如下方式得到：
设置邻域大小，计算吉他面板灰度图中每个像素点的邻域大小范围内所有像素点的灰度值均值，得到每个像素点对应的邻域灰度值均值；
获取所有像素点对应的邻域灰度值均值中的最大值和最小值；
计算吉他面板灰度图中所有像素点灰度值的方差；
利用吉他面板灰度图中所有像素点灰度值的方差、每个像素点的邻域灰度值均值中的最大值和最小值的差值，计算得到吉他面板灰度图的疑似缺陷程度。
10.根据权利要求7所述的一种利用视觉手段的乐器生产缺陷检测方法，其特征在于，所述利用吉他面板灰度图的疑似缺陷程度判断吉他面板是否存在缺陷的过程具体如下：
设置疑似缺陷程度阈值，对吉他面板灰度图的疑似缺陷程度进行判断：当吉他面板灰度图的疑似缺陷程度小于等于疑似缺陷程度阈值时，判断该灰度图不存在缺陷；当吉他面板灰度图的疑似缺陷程度大于疑似缺陷程度阈值时，将该灰度图作为待检测吉他的面板灰度图。
CN202210859624.3A 2022-07-22 2022-07-22 利用视觉手段的乐器生产缺陷检测方法 Active CN115063400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210859624.3A CN115063400B (zh) 2022-07-22 2022-07-22 利用视觉手段的乐器生产缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210859624.3A CN115063400B (zh) 2022-07-22 2022-07-22 利用视觉手段的乐器生产缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115063400A CN115063400A (zh) 2022-09-16
CN115063400B true CN115063400B (zh) 2022-11-01

Family

ID=83206743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210859624.3A Active CN115063400B (zh) 2022-07-22 2022-07-22 利用视觉手段的乐器生产缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115063400B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115457035B (zh) * 2022-11-10 2023-03-24 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN116309671B (zh) * 2023-05-23 2023-08-11 浩珂科技有限公司 一种土工合成织物质量检测***
CN116645364B (zh) * 2023-07-18 2023-10-27 金乡县金沪合金钢有限公司 一种基于图像数据的合金钢铸件气孔缺陷检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104990925A (zh) * 2015-06-23 2015-10-21 泉州装备制造研究所 一种基于梯度多阈值优化缺陷检测方法
CN105354831A (zh) * 2015-09-30 2016-02-24 广东工业大学 一种基于图像分块方差-加权特征值的多缺陷检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009097959A (ja) * 2007-10-16 2009-05-07 Tokyo Seimitsu Co Ltd 欠陥検出装置及び欠陥検出方法
US10290092B2 (en) * 2014-05-15 2019-05-14 Applied Materials Israel, Ltd System, a method and a computer program product for fitting based defect detection
CN106093066B (zh) * 2016-06-24 2018-11-30 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN106780486B (zh) * 2017-01-16 2019-12-24 大连海事大学 一种钢板表面缺陷图像提取方法
CN110009638B (zh) * 2019-04-12 2023-01-03 重庆交通大学 基于局部统计特征的桥梁拉索图像外观缺陷检测方法
CN112862773A (zh) * 2021-01-29 2021-05-28 山东建筑大学 一种刨花板图像缺陷分类检测方法及装置
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104990925A (zh) * 2015-06-23 2015-10-21 泉州装备制造研究所 一种基于梯度多阈值优化缺陷检测方法
CN105354831A (zh) * 2015-09-30 2016-02-24 广东工业大学 一种基于图像分块方差-加权特征值的多缺陷检测方法

Also Published As

Publication number Publication date
CN115063400A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN115063400B (zh) 利用视觉手段的乐器生产缺陷检测方法
CN115457041B (zh) 一种道路质量识别检测方法
CN117173184B (zh) 基于人工智能的道路施工质量检测方法及***
CN114627111B (zh) 一种纺织品缺陷检测识别装置
CN115908411B (zh) 基于视觉检测的混凝土养护质量分析方法
CN117078672B (zh) 基于计算机视觉的手机屏幕缺陷智能检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN104851086B (zh) 一种针对缆索表面缺陷的图像检测方法
CN117197141B (zh) 一种汽车零部件表面缺陷检测方法
CN115861290B (zh) 一种肤感木门表面缺陷检测方法
CN115294139A (zh) 基于图像的边坡裂缝监测方法
CN115294159A (zh) 金属紧固件腐蚀区域分割方法
CN110443278B (zh) 一种太阳能电池片栅线粗细异常的检测方法、装置及设备
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN117635604B (zh) 一种建筑工程钢结构焊接质量检测方法
CN113643276B (zh) 一种基于统计分析的纺织物纹理缺陷自动检测方法
CN116309599B (zh) 基于污水前置处理的水质视觉监测方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测***
CN115953409A (zh) 基于图像处理的注塑件表面缺陷检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN116152674A (zh) 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法
CN117173176A (zh) 基于图像处理的多晶层光刻工艺热点检测方法
CN115311278A (zh) 一种对于纱线检测的纱线分割方法
CN113822105B (zh) 基于svm水标尺在线二分类器的人工智能水位监测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant